CN110002329B - 一种基于云平台的自动扶梯在线监测预警系统及方法 - Google Patents
一种基于云平台的自动扶梯在线监测预警系统及方法 Download PDFInfo
- Publication number
- CN110002329B CN110002329B CN201811641070.XA CN201811641070A CN110002329B CN 110002329 B CN110002329 B CN 110002329B CN 201811641070 A CN201811641070 A CN 201811641070A CN 110002329 B CN110002329 B CN 110002329B
- Authority
- CN
- China
- Prior art keywords
- staircase
- warning
- risk
- early warning
- cloud platform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000006073 displacement reaction Methods 0.000 claims description 58
- 230000002159 abnormal effect Effects 0.000 claims description 56
- 238000004458 analytical method Methods 0.000 claims description 55
- 238000009826 distribution Methods 0.000 claims description 28
- 230000004075 alteration Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000007665 sagging Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000005314 correlation function Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000011701 zinc Substances 0.000 claims description 3
- 229910052725 zinc Inorganic materials 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims 1
- 235000011613 Pinus brutia Nutrition 0.000 claims 1
- 241000018646 Pinus brutia Species 0.000 claims 1
- 238000005206 flow analysis Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 21
- 238000013461 design Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B27/00—Indicating operating conditions of escalators or moving walkways
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B29/00—Safety devices of escalators or moving walkways
- B66B29/005—Applications of security monitors
Landscapes
- Escalators And Moving Walkways (AREA)
Abstract
本发明涉及扶梯的监测领域，具体一种基于云平台的自动扶梯在线监测预警系统及方法，系统包括线网云平台、位于线网中央级的数据综合服务系统、通信系统、以及车站级监测预警系统；车站级监测预警系统设置在各个车站内；每台扶梯都设置有扶梯代码，车站级监测预警系统将零部件风险预警信息及扶梯代码通过通信系统传输至线网云平台；所述数据综合服务系统从所述线网云平台调取所述零部件风险预警信息并基于聚类分析方法对扶梯进行分类。本发明通过对车站内的所有扶梯的关键零部件的运行状态进行检测，并采用聚类分析方法对同类型的扶梯的异常信息的特征和规律进行分析，克服现有技术中无法在故障发生前及时预警、无法提前预测扶梯故障发展趋势的技术问题。
Description
技术领域
本发明涉及扶梯的监测领域，特别涉及一种基于云平台的自动扶梯在线监测预警系统及方法。
背景技术
自动扶梯作为客流输送设备，大量运用于地铁、机场、车站、写字楼、商场、码头等场所，自动扶梯在长时间、大客流的条件下运行，经常出现各种各样的故障。
现在技术中的自动扶梯应急保护系统，只能在在扶梯故障发生时进行紧急停梯控制，无法在故障发生前及时预警，也无法提前预测扶梯故障发展趋势。
发明内容
为了克服现有技术的不足，本发明提供一种扶梯状态监测系统，该系统能在扶梯故障发生前及时预警，并对扶梯故障发展趋势进行预测。
为了达到上述目的，本发明采用以下技术方案：
一种基于云平台的自动扶梯在线监测预警系统，包括线网云平台、位于线网中央级的数据综合服务系统、通信系统、以及车站级监测预警系统；所述车站级监测预警系统设置在车站内，用于车站内每台扶梯零部件的运行状态监测及风险预警，并生成零部件风险预警信息；每台扶梯都设置有扶梯代码，所述车站级监测预警系统将所述每台扶梯的所述零部件风险预警信息及其对应的扶梯代码通过所述通信系统传输至所述线网云平台；所述数据综合服务系统从所述线网云平台获取所述零部件风险预警信息并基于聚类分析方法对扶梯进行分类，同时结合同类型扶梯的所述零部件风险预警信息的分布特性建立扶梯关键零部件性能参数数据库。
与现有技术相比，本发明通过设置车站级监测预警系统，对车站内的所有扶梯的关键零部件的运行状态信息进行检测，一旦发现其中某一部自动扶梯的某个关键零部件的运行状态出现异常时，车站级监测预警系统发出风险预警，实现在扶梯故障早期风险预警，避免扶梯故障的真正发生；同时将零部件风险预警信息及其对应的扶梯代码发送至某一区域的线网云平台，位于线网中央级的数据综合服务系统采用聚类分析方法对线网云平台内的所有扶梯进行分类，结合同类型扶梯的所述零部件风险预警信息的分布特性建立扶梯关键零部件性能参数数据库，即可根据零部件风险预警信息的分布特性实现对各类扶梯的风险预测，并根据关键零部件的性能参数数据库，为后期的扶梯零件的选型和设计提供参考；即本发明基于云平台实现海量扶梯状态监测、预警及故障趋势预测。
作为优选，所述车站级监测预警系统包括：站级预警显示终端、与所述站级预警显示终端电连接的扶梯旋转部件监测子系统、梯级链监测子系统、主驱动链监测子系统、温度监测子系统、桁架监测子系统、客流分析监测子系统、制动系统监测子系统。
作为优选，所述旋转部件监测子系统包括：加速度传感器、多通道数据采集模块、异常分析模块、故障预分析模块；所述零部件风险预警信息包括旋转部件风险预警信息；所述加速度传感器，用于感应扶梯旋转部件的振动信号；所述多通道数据采集模块，用于周期采集所述加速度传感器输出的振动信息，其内部A/D转换模块可将传感器输入的模拟信号以数字量的形式输出；所述异常分析模块，采用时域分析法分析所述振动信息是否存在异常；所述故障预分析模块，采用频域分析方法分析异常的所述振动信息的故障类型；所述旋转部件监测子系统将所述故障类型、所述旋转部件对应的扶梯代码、以及所述旋转部件风险预警信息发送至所述站级预警显示终端。
作为优选，所述梯级链监测子系统包括：位移传感器，所述位移传感器安装在扶梯桁架下部纵梁处并用于监测扶梯梯级链张紧轮的水平位置；所述零部件风险预警信息包括梯级链风险预警信息；当扶梯梯级链张紧轮的水平位置超出预先设定的梯级链预警位置时，所述梯级链监测子系统向所述站级预警显示终端发送所述梯级链对应的扶梯代码、以及所述梯级链风险预警信息。
作为优选，所述主驱动链监测子系统包括：摆杆、角位移传感器、与所述角位移传感器电连接的伸长量计算模块；扶梯主驱动链包括分布在扶梯主轴驱动轮两侧的链条，其中一侧为松边链条；所述摆杆的一端安装在扶梯桁架上，所述摆杆的另一端端部设置有小齿轮，所述小齿轮与所述链条松边啮合，所述摆杆随所述松边链条的松垂而摆动；所述角位移传感器设置在所述扶梯桁架上，用于检测所述摆杆摆动的角度θ；所述零部件风险预警信息包括主驱动链风险预警信息；所述伸长量计算模块根据所述摆杆摆动的角度的大小计算所述松边链条的长度L(t)；所述L(t)的计算公式为：其中，L(0)为所述松边链条的初始长度，R(θ)为所述松边链条松垂后的曲率半径；当所述L(t)的长度超出预先设定的主驱动链链长预警值时，所述主驱动链监测子系统向所述站级预警显示终端发送所述主驱动链对应的扶梯代码、以及主驱动链风险预警信息。
作为优选，所述桁架监测子系统包括：摄像头、与所述摄像头电连接的图像分析模块；所述零部件风险预警信息包括桁架风险预警信息；扶梯桁架的变形敏感区域的表面有散斑，所述摄像头安装在扶梯桁架上，用于获取所述散斑的图像，所述图像包括扶梯桁架变形前的散斑图像和变形后的散斑图像；所述图像分析模块利用数字图像相关技术，测量扶梯桁架变形后的散斑相对变形前的散斑所移动的位移大小；当所述散斑移动的位移超出预先设定的散斑移动预警值时，所述桁架监测子系统向所述站级预警显示终端发送所述桁架对应的扶梯代码、以及所述桁架风险预警信息。
作为优选，所述变形敏感区域包括扶梯桁架与结构板的搭接位置，所述桁架监测子系统还包括客流分析模块；所述客流分析模块将所述散斑移动的位移代入预先标定的D-F关系曲线中，得出当前扶梯载荷状态F(t)；所述D-F关系曲线，为扶梯静载时，所述散斑移动的位移的大小D随扶梯桁架上的砝码的重量变化的而变化的关系曲线。
作为优选，所述制动系统监测子系统包括：电感式传感器、与所述电感式传感器电连接的制停距离计算模块；所述零部件风险预警信息包括制动系统风险预警信息；所述电感式传感器设置在扶梯主轴驱动轮的前方，用于检测扶梯主轴驱动轮从扶梯发出制停指令后直至扶梯停止时，扶梯主轴驱动轮转过的齿的个数N；所述制停距离计算模块根据扶梯主轴驱动轮转动的齿的的个数N计算扶梯制停距离L′，所述L′的计算公式为：其中，所述Z为扶梯主轴驱动轮的齿的个数，d为扶梯梯级链张紧轮的直径。当所述L′大于预先设定的制停距离安全阈值时，所述制动系统监测子系统向所述站级预警显示终端发送所述制动系统对应的扶梯代码、以及所述制动系统风险预警信息。
本发明另一方面还提供一种扶梯在线监测方法，该方法能在扶梯故障发生前及时预警，并对扶梯故障发展趋势进行预测，具体包括如下步骤：
获取车站内所有扶梯的关键零部件的运行状态信息和每台扶梯对应的扶梯代码信息；分析获取所述运行状态信息是否存在异常；所述运行状态信息存在异常时，生成零部件风险预警信息，并将所述零部件风险预警信息及其对应的扶梯代码传输至车站内的预警显示终端，所述预警显示终端对存在异常的零部件进行风险预警或报警；将某区域内的车站的所述零部件风险预警信息及其对应的扶梯代码传输至该区域的线网云平台；采用聚类分析方法对所述线网云平台中的所有扶梯进行分类，并分析获取同类型自动扶梯的所述零部件风险预警信息的分布特性。
与现有技术相比，本发明对车站内的所有扶梯的关键零部件的运行状态信息进行检测，一旦发现其中某一部自动扶梯的某个关键零部件的运行状态出现异常时，预警显示终端对异常的零部件进行风险预警，实现在故障发生前在对扶梯进行提前预警，避免扶梯故障的真正发生；同时零部件风险预警信息及其对应的扶梯代码发送至线网云平台，采用聚类分析方法对线网云平台内的扶梯进行分类，并同类型自动扶梯的所述零部件风险预警信息的分布特性进行分析，获得同类型的扶梯的风险预警信息的特征和规律，进而可以对同类型的扶梯的故障发展趋势进行预测。
作为优选，所述扶梯的关键零部包括件扶梯的旋转部件，所述运行状态信息包括旋转部件的振动信号，所述零部件风险预警信息包括旋转部件预警信息；所述获取车站内所有扶梯的关键零部件的运行状态信息，包括周期采集一组扶梯旋转部件的振动信号；分析获取的运行状态信息是否存在异常，包括如下步骤：获取该组振动信号的时域特征向量R(n)＝[μxn，σxn，]，其中，所述μxn、σxn、分别为该组振动信号的均值、方差、偏斜度、峭度；计算时域特征向量R(n)与扶梯主机轴承无故障运行的时域特征向量R(0)之间的空间角；在所述空间角小于或等于预先设定的角度阈值时，判定扶梯旋转部件无异常，继续采集下一组扶梯旋转部件的振动信号；在所述空间角大于预先设定的角度阈值时，判定扶梯旋转部件存在明显异常。
作为优选，在判定振动状态存在明显异常之后，还包括如下步骤：对扶梯旋转部件的振动信号进行滤波处理；对滤波后的振动信号进行自相关运算得到相关函数；将相关函数采用Hilbert变换进行包络解调；将解调后的信号进行快速傅里叶变换获得振动信号的包络谱；提取包络谱中除正常振动频率外幅值最大的频率及其倍频，对照预先求解的旋转部件的故障特征频率，判断扶梯旋转部件故障的类型。
作为优选，所述扶梯的关键零部件包括扶梯梯级链，所述运行状态信息包括梯级链张紧轮的水平位置，所述零部件风险预警信息包括梯级链预警信息；所述获取车站内所有扶梯的关键零部件的运行状态信息，包括：安装在扶梯梯级链张紧装置移动前方的接触式位移传感器获取梯级链张紧装饰的水平位置；分析获取的运行状态信息是否存在异常，包括：在梯级链张紧轮的水平位置超出预先设定的梯级链预警位置时，判定扶梯梯级链存在异常。
作为优选，扶梯主驱动链包括分布在扶梯主轴驱动轮两侧的链条，其中一侧链条为松边链条；扶梯桁架上设置有摆杆，所述摆杆与所述松边链条的连接端设置有小齿轮，所述小齿轮与所述松边链条咬合连接，所述摆杆随所述松边链条的松垂而摆动；所述扶梯的关键零部件包括扶梯主驱动链，所述运行状态信息包括所述松边链条的长度，所述零部件风险预警信息包括扶梯主驱动链警信息；所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：测量所述摆杆摆动的角度θ；计算所述松边链条的弯曲弧的曲率半径R(θ)；计算所述松边链条的长度L(t)，所述L(t)的计算公式为：其中，L(0)为所述松边链条的初始长度；分析获取的运行状态信息是否存在异常，包括如下步骤：在L(t)的长度超出预先设定的松边链条安全值时，或L(t)在某一时刻或某个时间段内的伸长率超出预先设定的松边链条第二安全值时，判定扶梯主驱动链存在异常。
作为优选，所述扶梯的关键零部件包括扶梯桁架，扶梯桁架变形敏感区域的表面锌层形成有散斑；所述运行状态信息包括散斑的变形云图，所述零部件风险预警信息包括桁架预警信息；所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：获取扶梯桁架变形前后所述散斑的数字图像；利用数字图像相关技术，计算扶梯桁架变形后相对与变形前所述散斑的数字图像的位移量，获得所述散斑的变形云图；分析获取的运行状态信息是否存在异常，包括：在所述散斑的变形云图的某一区域的各点的平均值大于预先设定的桁架安全阈值时，判定桁架存在异常。
作为优选，所述扶梯桁架变形敏感区域包括桁架与结构板的搭接位置，所述变形云图还包括所述桁架与结构板的搭接位置的第二变形云图；所述基于云平台的自动扶梯在线监测预警方法，还包括如下步骤：在所述第二变形云图中构建直角坐标系x-y，提取各像素点在y向位移分量的均值D(t)；将D(t)代入预先标定D-F关系曲线中，得出当前扶梯载荷状态F(t)；所述D-F关系曲线，为扶梯静载时，所述第二变形云图的各像素点在y向位移分量的均值特征参数D随扶梯桁架上的砝码的重量变化的而变化的关系曲线。
作为优选，所述扶梯的关键零部件包括扶梯制动系统，所述运行状态信息包括扶梯制动距离，所述零部件风险预警信息包括制动系统预警信息；所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：计算扶梯发出制停指令后至扶梯停止时，扶梯主轴驱动轮转动一个齿的位移的个数N；计算扶梯制停距离L′，所述L′的计算公式为：其中，所述Z为扶梯主轴驱动轮的齿数，d为扶梯梯级链张紧轮的直径；分析获取的运行状态信息是否存在异常，包括：在所述L′大于预先设定的制动距离安全阈值时，判定扶梯制动系统存在异常。
作为优选，还包括如下步骤：记录扶梯主轴驱动轮每转动一个齿的位移时的时间点t；
计算时刻tn扶梯梯级链的瞬时速度v(tn)，所述v(tn)的计算公式为：分析获取的运行状态信息是否存在异常，包括：在v(tn)出现异常时，判定扶梯制动系统存在异常。
作为优选，所述采用聚类分析方法对所述线网云平台中所有扶梯进行分类，包括：以扶梯的提升高度与载客强度因子为主特征参数对所述线网云平台中所有扶梯进行分类；所述分析获取同类型自动扶梯的所述零部件风险预警信息的分布特性，包括：将同类扶梯的服役时间作为横坐标，每年每台扶梯各类预警信息发生次数作为纵坐标，绘制该类型扶梯的“服役时间-平均每年预警次数”预警分布图。
作为优选，所述基于云平台的自动扶梯在线监测预警方法还包括：根据所述“服役时间-平均每年预警次数”预警分布图的分布规律及趋势，对扶梯关键零部件的风险进行预测。
附图说明
现结合附图与具体实施例对本发明作进一步说明：
现结合附图与具体实施例对本发明作进一步说明：
图1是本分明的系统结构示意图；
图2是本发明一种基于云平台的自动扶梯在线监测预警方法的流程示意图；
图3是本发明中旋转部件监测流程框图；
图4是本发明中梯级链伸长前后监测结构示意图；
图5是图4的虚线部分的放大图；
图6是本发明中主驱动链监测结构示意图；
图7是图6的系统结构几何关系图；
图8是本发明中扶梯桁架变形敏感区域监测结构示意图；
图9是本发明扶梯制动系统的监测结构示意图。
图中：
1、车站级监测预警系统；11、站级预警显示终端；2、通信系统；3、线网云平台；4、数据综合服务系统；41、聚类分析结果显示终端；42、线网级预警显示终端；43、移动预警显示终端；51、梯级链伸长前系统结构示意图；52、梯级链伸长后系统结构示意图；53、推力弹簧；54、接触式位移传感器；6、主驱动链监测的系统结构；61、主驱动链；61、角位移传感器；63、摆杆；64、松边链条；7、桁架；71、桁架变形敏感区域；72、桁架空载状态；73、桁架负载状态；81、电感式传感器；82、扶梯主轴驱动轮
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1所示，是本发明的系统结构示意图。
本发明提供一种基于云平台的自动扶梯在线监测预警系统，包括线网云平台3、位于线网中央级的数据综合服务系统4、通信系统2、以及车站级监测预警系统1；所述车站级监测预警系统1设置在各个车站内，用于车站内每台扶梯零部件的运行状态监测及风险预警，并生成零部件风险预警信息；
每台扶梯都设置有扶梯代码，所述车站级监测预警系统1将所述每台扶梯的所述零部件风险预警信息及其对应的扶梯代码通过所述通信系统传输至所述线网云平台3；所述数据综合服务系统4从所述线网云平台获取所述零部件风险预警信息并基于聚类分析方法对扶梯进行分类，同时结合同类型扶梯的所述零部件风险预警信息的分布特性建立扶梯关键零部件性能参数数据库。
车站级监测预警系统1包括站级预警显示终端11，用于显示所述零部件风险预警信息并发出预警信号；数据综合服务系统4包括用于显示聚类分析结果的聚类分析结果显示终端41，发出线网级预警的线网级预警显示终端42，以及移动预警显示终端43。
本实施例与现有技术相比，本发明通过设置车站级监测预警系统1，对车站内的所有扶梯的关键零部件的运行状态信息进行检测，一旦发现其中某一部自动扶梯的某个关键零部件的运行状态出现异常时，车站级监测预警系统发出风险预警，实现在扶梯故障早期风险预警，避免扶梯故障的真正发生；同时将零部件风险预警信息、及其对应的扶梯代码发送至某一区域的线网云平台3，位于线网中央级的数据综合服务系统4采用聚类分析方法对线网云平台3内的所有扶梯进行分类，结合同类型扶梯的所述零部件风险预警信息的分布特性建立扶梯关键零部件性能参数数据库，即可根据零部件风险预警信息的分布特性实现对各类扶梯的风险预测，并根据关键零部件的性能参数数据库，为后期的扶梯零件的选型和设计提供参考，即本发明基于云平台实现海量扶梯状态监测、预警及故障趋势预测。
车站级监测预警系统包括：站级预警显示终端、与所述站级预警显示终端电连接的扶梯旋转部件监测子系统、梯级链监测子系统、主驱动链监测子系统、温度监测子系统、桁架监测子系统、客流分析监测子系统、制动系统监测子系统。
如图3所示，是本发明中旋转部件监测流程框图。扶梯旋转部件包括扶梯轴承、扶梯齿轮等。
所述旋转部件监测子系统包括：加速度传感器、多通道数据采集模块、异常分析模块、故障预分析模块；所述零部件风险预警信息包括旋转部件风险预警信息；
所述加速度传感器，用于感应扶梯旋转部件的振动信号；
所述多通道数据采集模块，用于周期采集所述加速度传感器输出的振动信息，其内部A/D转换模块可将传感器输入的模拟信号以数字量的形式输出；
所述异常分析模块，采用时域分析法分析所述振动信息是否存在异常；
所述故障预分析模块，采用频域分析方法分析异常的所述振动信息的故障类型；
所述旋转部件监测子系统将所述故障类型、所述旋转部件对应的扶梯代码、以及所述旋转部件风险预警信息发送至所述站级预警显示终端。
所述旋转部件监测子系统的前端模块包括加速度传感器和多通道数据采集模块振动信号的采集、传输和存储；所述旋转部件监测子系统的分析模块即为异常分析模块和故障预分析模块。优选的，多通道数据采集模块为多通道数据数据采集卡。
本本实施例中，本发明通过设置异常分析模块、故障预分析模块，对旋转部件的振动信息采用时域预分析+频域诊断的方法，克服现有技术中，只采用时域预分析而导致很难对异常振动状态的发生源及其故障的种类进行定位、在实际维保过程中只能借助漫长的自学习过程跟维修中所总结的经验对故障进行处理、无法建立准确的参数化模型去指导运维保障工作等技术问题。另外，在故障分析模块之前增加预分析过程可避免对每组正常的振动状态信息进行频域分析，从而有效降低了系统的运算量。
如图4、5所示，如图4、5所示，图4是本发明梯级链伸长量预紧系统结构示意图，图5是图4的虚线部分的放大图。
所述梯级链监测子系统包括：接触式位移传感器54，接触式位移传感器54安装在扶梯桁架下部纵梁处，并用于监测扶梯梯级链张紧装置的水平位置；所述零部件风险预警信息包括梯级链风险预警信息；
当扶梯梯级链张紧装置的水平位置超出预先设定的预警位置时，所述梯级链监测子系统向所述站级预警显示终端发送所述梯级链对应的扶梯代码、以及所述梯级链风险预警信息。优选的，张紧装置为推力弹簧53。
现有技术中，梯级链张紧装置通过采用一系列等间距小孔借助光电开关的方式来捕捉小孔位移而得出梯级链张紧轮的水平位移量进而对梯级链伸长量进行求解，这种伸长量测试方式的缺陷在于，小孔是等间距设置的，如果孔的布置间距过大，当光电传感器的光路正好位于两个小孔之间时，当前的伸长量无法准确获取，这对于分析某段时间内的梯级链伸长率计算结果的准确性将造成较大的影响。如果孔的间距布置过密，位置测试结果也会受梯路上乘客载荷的波动或设备自身运行时的振动等因素的影响而使探测结果的准确性降低。
本实施例中，本发明在梯级链张紧装置的末端安装一个接触式位移传感器，来监测梯级链伸长情况，上述现有技术的问题。
如图6、7所示，图6、7分别是本发明中主驱动链监测系统结构示意图和系统结构几何关系图。
所述主驱动链监测子系统包括：摆杆63、角位移传感器62、与所述角位移传感器62电连接的伸长量计算模块；
扶梯主驱动链包括分布在扶梯主轴驱动轮两侧的链条，其中一侧为松边链条64；
所述摆杆63的一端安装在扶梯桁架上，所述摆杆的另一端的端部设置有小齿轮，所述小齿轮与所述松边链条64相啮合连接，所述摆杆63随所述松边链条64的松垂而摆动；
所述角位移传感器62设置在所述扶梯桁架上，用于检测所述摆杆63摆动的角度θ；所述零部件风险预警信息包括主驱动链风险预警信息；
所述伸长量计算模块根据所述摆杆摆动的角度的大小计算所述松边链条的长度L(t)；
所述L(t)的计算公式为：其中，L(0)为所述松边链条的初始长度，R(θ)为所述松边链条松垂后的曲率半径；
当所述L(t)的长度超出预先设定的主驱动链链长预警值时，所述主驱动链监测子系统向所述站级预警显示终端发送所述主驱动链对应的扶梯代码、以及主驱动链风险预警信息。
如图8所示，是本发明中扶梯桁架变形敏感区域71结构示意图，图中实线为桁架空载状态72，虚线为桁架负载状态73。
所述桁架监测子系统包括：摄像头、与所述摄像头电连接的图像分析模块；所述零部件风险预警信息包括桁架风险预警信息；
扶梯桁架的变形敏感区域的表面有散斑，所述摄像头安装在扶梯桁架上，用于获取所述散斑的图像，所述图像包括扶梯桁架变形前的散斑图像和变形后的散斑图像；
所述图像分析模块利用数字图像相关技术，测量扶梯桁架变形后的散斑相对变形前的散斑所移动的位移大小；
当所述散斑移动的位移超出预先设定的散斑移动预警值时，所述桁架监测子系统向所述站级预警显示终端发送所述桁架对应的扶梯代码、以及所述桁架风险预警信息。
所述变形敏感区域包括扶梯桁架与结构板的搭接位置，所述桁架监测子系统还包括客流分析模块；
所述客流分析模块将所述散斑移动的位移D(t)代入预先标定的D-F关系曲线中，得出当前扶梯载荷状态F(t)；
所述D-F关系曲线，为扶梯静载时，所述散斑移动的位移的大小D随扶梯桁架上的砝码的重量F变化的而变化的关系曲线。
如图9所示，是本发明扶梯制动系统的监测结构示意图。
所述制动系统监测子系统包括：电感式传感器、与所述电感式传感器电连接的制停距离计算模块；所述零部件风险预警信息包括制动系统风险预警信息；
所述电感式传感器设置在扶梯主轴驱动轮的前方，用于检测扶梯主轴驱动轮从扶梯发出制停指令后直至扶梯停止时，扶梯主轴驱动轮转过的齿的个数N；
所述制停距离计算模块根据扶梯主轴驱动轮转动的齿的位移的个数N计算扶梯制停距离L′，所述L′的计算公式为：其中，所述Z为扶梯主轴驱动轮的齿的个数，d为扶梯梯级链驱动轮的直径。
当所述L′大于预先设定的制停距离安全阈值时，所述制动系统监测子系统向所述站级预警显示终端发送所述制动系统对应的扶梯代码、以及所述制动系统风险预警信息。
实施例2
如图2所示，是本发明一种基于云平台的自动扶梯在线监测预警方法的流程示意图。
该基于云平台的自动扶梯在线监测预警方法，包括以下步骤：
S1、获取车站内所有扶梯的关键零部件的运行状态信息和每台扶梯对应的扶梯代码信息；
S2、分析获取所述运行状态信息是否存在异常；
S3、所述运行状态信息存在异常时，生成零部件风险预警信息，并将所述零部件风险预警信息及其对应的扶梯代码传输至车站内的预警显示终端，所述预警显示终端对存在异常的零部件进行风险预警或报警；
S4、将某区域内的车站的所述零部件风险预警信息及其对应的扶梯代码传输至该区域的线网云平台；
S5、采用聚类分析方法对所述线网云平台中的所有扶梯进行分类，并分析获取同类型自动扶梯的所述零部件风险预警信息的分布特性。
与现有技术相比，本发明对车站内的所有扶梯的关键零部件的运行状态信息进行检测，一旦发现其中某一部自动扶梯的某个关键零部件的运行状态出现异常时，预警显示终端对异常的零部件进行风险预警，实现在故障发生前在对扶梯进行提前预警，避免扶梯故障的真正发生；同时零部件风险预警信息及其对应的扶梯代码发送至线网云平台，采用聚类分析方法对线网云平台内的扶梯进行分类，并同类型自动扶梯的所述零部件风险预警信息的分布特性进行分析，获得同类型的扶梯的风险预警信息的特征和规律，进而可以对同类型的扶梯的故障发展趋势进行预测。同时，也为后续地铁线路设计中扶梯零部件的选型提供重要的数据依据。
如图3所示，本发明中旋转部件监测流程框图。
所述扶梯的关键零部包括件扶梯的旋转部件，所述运行状态信息包括旋转部件的振动信号，所述零部件风险预警信息包括旋转部件预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括周期采集一组扶梯旋转部件的振动信号；
分析获取的运行状态信息是否存在异常，包括如下步骤：
获取该组振动信号的时域特征向量其中，所述μxn、σxn、 分别为该组振动信号的均值、方差、偏斜度、峭度；
计算时域特征向量R(n)与扶梯主机轴承无故障运行的时域特征向量R(0)之间的空间角；
在所述空间角小于或等于预先设定的角度阈值时，判定扶梯旋转部件无异常，继续采集下一组扶梯旋转部件的振动信号；
在所述空间角大于预先设定的角度阈值时，判定扶梯旋转部件存在明显异常。
优选的，在判定振动状态存在明显异常之后，还包括如下步骤：
对扶梯旋转部件的振动信号进行滤波处理；
对滤波后的振动信号进行自相关运算得到相关函数；
将相关函数采用Hilbert变换进行包络解调；
将解调后的信号进行快速傅里叶变换获得振动信号的包络谱；
提取包络谱中除正常振动频率外幅值最大的频率及其倍频，对照预先求解的旋转部件的故障特征频率，判断扶梯旋转部件故障的类型。
本本实施例中，本发明在振动故障诊断的数据处理过程中，对旋转部件的振动信息采用时域预分析+频域诊断的方法，时域预分析通过提取时域特征中的均值、方差、偏度、峭度，将这些参量组成一个时域特征向量，当这些参数与自学习所获得的稳态参数差别不大时，系统认为振动信号未发生异常，继续进行下一个时间窗的数据采集，当时域信号出现异常时，系统自动转入故障诊断分析流程，通过对信号进行频域分析，对异常振动信号的特征频率进行提取，当频谱中某特征频率与故障分析模型中的某种特定故障类型相吻合时，即可对扶梯当前所处的故障种类及位置进行定位，实现付扶梯旋转部件的振动故障诊断。
如图4、5所示，图4是本发明梯级链伸长量预紧系统示意图，图5是图4的虚线部分的放大图。
所述扶梯的关键零部件包括扶梯梯级链，所述运行状态信息包括梯级链张紧轮的水平位置，所述零部件风险预警信息包括梯级链预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括：安装在扶梯梯级链张紧装置的移动前方的接触式位移传感器获取梯级链张紧装置的水平位置；
分析获取的运行状态信息是否存在异常，包括：在梯级链张紧轮的水平位置超出预先设定的梯级链预警位置时，判定扶梯梯级链存在异常。
在本实施例中，梯级链伸长后，梯级链张紧装置如推力弹簧53会在弹簧力的作用下发生移动使梯级链重新回到张紧状态，本发明在推力弹簧53的末端安装一个接触式位移传感器54，对推力弹簧53的水平位置进行实时监测，当推力弹簧53的水平位置超过梯级链预警位置时，判定梯级链存在异常，系统发出梯级链风险预警信息，通知工作人员至现场进行检修等操作，避免扶梯安全事故的发生。同时采用实时的推力弹簧53的水平位置的测试结果，还可以为梯路上乘客载荷的波动及设备运行的振动状态等的建模分析提供数值依据。
如图6、7所示，图6、7分别是本发明中主驱动链监测系统结构示意图和系统结构几何关系图。
扶梯主驱动链包括分布在扶梯主轴驱动轮两侧的链条，其中一侧链条为松边链条64；扶梯桁架上设置有摆杆63，所述摆杆与所述松边链条64接触，所述摆杆63随所述松边链条64的松垂而摆动；所述扶梯的关键零部件包括扶梯主驱动链61，所述运行状态信息包括所述松边链条64的长度，所述零部件风险预警信息包括扶梯主驱动链风险预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：
测量所述摆杆摆动的角度θ；
计算所述松边链条的弯曲弧的曲率半径R(θ)；
计算所述松边链条的长度L(t)，所述L(t)的计算公式为：其中，L(0)为所述松边链条的初始长度；
分析获取的运行状态信息是否存在异常，包括如下步骤：
在L(t)的长度超出预先设定的松边链条安全值时，或L(t)在某一时刻或某个时间段内的伸长率超出预先设定的松边链条第二安全值时，判定扶梯主驱动链存在异常。
如图7所示，是本发明主驱动链伸监测系统结构的几何关系示意图。
主驱动链伸长监测系统中各部件之间的几何关系如图所示，圆O1、O2分别为主驱动齿轮及主轴链轮，圆O0为摆杆与主驱动链接触点Q形成的圆周轨迹，MN为述松边链条64的原始长度，松边链条64伸长后可近似为一条过M、Q、N三点的圆弧(圆心为O3，半径为R(θ))，圆弧MQN的长度即为述松边链条64伸长后的长度。只要建立起圆弧MQN与摆杆摆角θ之间的数学关系，即可根据角位移传感器62输出的信号对松边链条64的伸长量进行求解。
MN为述松边链条64的初始长度L(0)，摆杆旋转轴线角位移传感器的设计位置位于MN段的垂直平分线上，连心线O0O1与圆O1在M点的法线之间的夹角为α(α已知，由装置的安装位置确定)，以MN中点O为源点，并以MN方向为X轴，建立直角坐标系OXY。圆心O3的坐标为在本坐标系中，建立圆弧段MQN的圆周函数：
根据摆角θ，及摆杆长度r0可得接触点Q的坐标为：
(r0sin(α-θ),r0(cos(α-θ)-cosα))
其中r0、α均为常量，将点Q的坐标带入公式(1)即可获得θ与R(θ)之间的隐式函数关系，通过将角位移传感器实测的θ(t)带入，即可对松边链条64伸长形成的弯曲弧曲率半径R(θ)进行求解，根据圆弧长度即可计算公式得链条伸长后的曲线MQN的长度L(t)，数学表达式如下：
当系统检测到L(t)超过预警值(即伸长量超出安全阈值)，或超过预警值(驱动链在某一瞬间或某个时间段内的伸长率异常)，预警终端发出主驱动链风险预警信息，提示维保人员进行检修，同时，将主驱动链风险预警信息及其对应的扶梯代码发送至线网云平台，以进行后续的统计分析。
优选的，所述扶梯的关键零部件的运行状态信息包括扶梯两侧的扶手带温度；；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括：获取扶梯两侧的扶手带温度信息；
分析获取的运行状态信息是否存在异常，包括：
在两侧的扶手中的一侧温度大于正常工作时允许的阈值或者两侧扶手在同一位置的温度持续出现较大温差时，判定扶梯出现异常。
优选的，所述扶梯的运行状态信息包括变频器温度和电机温度；所述零部件风险预警信息包括扶梯变频器温度和电机风险预警信息
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括：获取变频器温度和电机温度的温度信息；
分析获取的运行状态信息是否存在异常，包括：
在某一时刻的变频器温度或电机温度超出正常工作时允许的安全值，或者某一时段变频器温度或电机温度升高速率明显高于正常的数值范围时，判定扶梯出现异常。
如图8所示，是本发明中扶梯桁架变形敏感区域71结构示意图，图中实线为桁架空载状态72，虚线为桁架负载状态73。
所述扶梯的关键零部件包括扶梯桁架，扶梯桁架变形敏感区域的表面锌层形成有散斑；所述运行状态信息包括散斑的变形云图，所述零部件风险预警信息包括桁架预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：
获取扶梯桁架变形前后所述散斑的数字图像；
利用数字图像相关技术，计算扶梯桁架变形后相对与变形前所述散斑的数字图像的位移量，获得所述散斑的变形云图；
分析获取的运行状态信息是否存在异常，包括：
在所述散斑的变形云图的某一区域的各点位移的平均值大于预先设定的桁架安全阈值时，判定桁架存在异常。
本实施例中，所述扶梯桁架变形敏感区域71包括扶梯桁架接驳位置和扶梯1:1有限元模型仿真结果中应力集中的位置。
优选的，所述扶梯桁架变形敏感区域包括桁架与结构板的搭接位置，所述变形云图还包括所述桁架与结构板的搭接位置的第二变形云图；
所述基于云平台的自动扶梯在线监测预警方法，还包括如下步骤：
在所述第二变形云图中构建直角坐标系x-y，提取各像素点在y向位移分量的均值D(t)；
将D(t)代入预先标定D-F关系曲线中，得出当前扶梯载荷状态F(t)；
所述D-F关系曲线，为扶梯静载时，所述第二变形云图的各像素点在y向位移分量的均值特征参数D随扶梯桁架上的砝码的重量变化的而变化的关系曲线。
在本实施例中，所述D-F关系曲线的标定过程包括：
在扶梯上放置砝码；
获取所述桁架与结构板的搭接位置的第二形云图并在该图上建立直角坐标系；
提取各像素点y向位移分量的均值D作为特征参数；
在扶梯上不断增加砝码数量，标定特征参数D随静载荷F(即砝码的重量变化)之间的关系的D-F关系曲线。
在本实施例中，通过事先标定好的D-F关系曲线得出当前的载荷状态F(t)，实现对客流强度进行分析的目的。取每日的平均客流载荷Favg与满载载荷Fm的比值γ作为客流强度因子，可对每台扶梯的工作强度进行定量评估，这对研究扶梯总零部件性能及运转状态随载荷变化的关系提供了定量依据，也为后期线网级扶梯设备聚类相关分析提供重要的数值支持。
如图9所示，是本发明扶梯制动系统的监测结构示意图。
所述扶梯的关键零部件包括扶梯制动系统，所述运行状态信息包括扶梯制动距离，所述零部件风险预警信息包括制动系统预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：
计算扶梯发出制停指令后至扶梯停止时，扶梯主轴驱动轮82转动过的齿的个数N；
计算扶梯制停距离L′，所述L′的计算公式为：其中，所述Z为扶梯主轴驱动轮的齿数，d为扶梯梯级链驱动轮的直径；
分析获取的运行状态信息是否存在异常，包括：
在所述L′大于预先设定的制动距离安全阈值时，判定扶梯制动系统存在异常。
优选的，还包括如下步骤：
记录扶梯主轴驱动轮每转动一个齿的位移时的时间点t；
计算时刻tn扶梯梯级链的瞬时速度v(tn)，所述v(tn)的计算公式为：
分析获取的运行状态信息是否存在异常，包括：
在v(tn)出现异常时，判定扶梯制动系统存在异常。
在本实施例中，通过电感式传感器81获得扶梯主轴驱动轮82转动一个齿的位移的个数N，通过对刹车制停距离的监测，当刹车距离达到预先设定的制动距离安全阈值时，通过预警系统在第一时间通知维保人员到现场对制动系统进行维护或更换，防止风险的发生。
优选的，所述采用聚类分析方法对所述线网云平台中所有扶梯进行分类，包括：以扶梯的提升高度与载客强度因子为主特征参数对所述线网云平台中所有扶梯进行分类；
所述分析获取同类型自动扶梯的所述零部件风险预警信息的分布特性，包括：将同类扶梯的服役时间作为横坐标，每年每台扶梯各类预警信息发生次数作为纵坐标，绘制该类型扶梯的“服役时间-平均每年预警次数”预警分布图。
优选的，所述基于云平台的自动扶梯在线监测预警方法还包括：
根据所述“服役时间-平均每年预警次数”预警分布图的分布规律及趋势，对扶梯关键零部件的风险进行预测。
在本实施例中，通过采用聚类分析方法对所述线网云平台中所有扶梯进行分类，再分析获取同类型自动扶梯的所述零部件风险预警信息的分布特性。根据预警分布图，除了可对扶梯异常状况进行预测之外，还可以根据预警分布图中，离散度较大的点对应的扶梯编号，获取对应扶梯的生产厂商、系列号、主要零部件规格等参数进行查找，选取长期投入运营以来性能优良的零部件，研究其材质、结构等其它参数的特点，为关键零部件的设计及选配提供指导。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变型不脱离本发明的精神和范围，倘若这些改动和变型属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变动。
Claims (15)
1.一种基于云平台的自动扶梯在线监测预警系统，其特征在于，包括线网云平台、位于线网中央级的数据综合服务系统、通信系统、以及车站级监测预警系统；
所述车站级监测预警系统设置在车站内，用于车站内每台扶梯零部件的运行状态监测及风险预警，并生成零部件风险预警信息；
每台扶梯都设置有扶梯代码，所述车站级监测预警系统将所述每台扶梯的所述零部件风险预警信息及其对应的扶梯代码通过所述通信系统传输至所述线网云平台；
所述数据综合服务系统从所述线网云平台获取所述零部件风险预警信息并基于聚类分析方法对扶梯进行分类，同时结合同类型扶梯的所述零部件风险预警信息的分布特性建立扶梯关键零部件性能参数数据库，根据所述零部件风险预警信息的分布特性预测各类扶梯的风险；
所述车站级监测预警系统包括桁架监测子系统；
所述桁架监测子系统包括：摄像头、与所述摄像头电连接的图像分析模块；所述零部件风险预警信息包括桁架风险预警信息；
扶梯桁架的变形敏感区域的表面有散斑，所述摄像头安装在扶梯桁架上，用于获取所述散斑的图像，所述图像包括扶梯桁架变形前的散斑图像和变形后的散斑图像；
所述图像分析模块利用数字图像相关技术，测量扶梯桁架变形后的散斑相对变形前的散斑所移动的位移大小；
当所述散斑移动的位移超出预先设定的散斑移动预警值时，所述桁架监测子系统向所述站级预警显示终端发送所述桁架对应的扶梯代码、以及所述桁架风险预警信息；
所述变形敏感区域包括扶梯桁架与结构板的搭接位置，所述桁架监测子系统还包括客流分析模块；
所述客流分析模块将所述散斑移动的位移D(t)代入预先标定的D-F关系曲线中，得出当前扶梯载荷状态F(t)；
所述D-F关系曲线，为扶梯静载时，所述散斑移动的位移的大小D随扶梯桁架上的砝码的重量F变化的而变化的关系曲线。
2.根据权利要求1所述的一种基于云平台的自动扶梯在线监测预警系统，其特征在于，所述车站级监测预警系统包括：站级预警显示终端、与所述站级预警显示终端电连接的扶梯旋转部件监测子系统、梯级链监测子系统、主驱动链监测子系统、温度监测子系统、客流分析监测子系统、制动系统监测子系统。
3.根据权利要求2所述的一种基于云平台的自动扶梯在线监测预警系统，其特征在于，所述旋转部件监测子系统包括：加速度传感器、多通道数据采集模块、异常分析模块、故障预分析模块；所述零部件风险预警信息包括旋转部件风险预警信息；
所述加速度传感器，用于获取扶梯旋转部件的振动信号；
所述多通道数据采集模块，用于周期采集所述加速度传感器输出的振动信息，其内部A/D转换模块可将传感器输入的模拟信号以数字量的形式输出；
所述异常分析模块，采用时域分析法分析所述振动信息是否存在异常；
所述故障预分析模块，采用频域分析方法分析异常的所述振动信息的故障类型；
所述旋转部件监测子系统将所述故障类型、所述旋转部件对应的扶梯代码、以及所述旋转部件风险预警信息发送至所述站级预警显示终端。
4.根据权利要求2所述的一种基于云平台的自动扶梯在线监测预警系统，其特征在于，所述梯级链监测子系统包括：位移传感器，所述位移传感器安装在扶梯桁架下部纵梁处并用于监测扶梯梯级链张紧轮的水平位置；所述零部件风险预警信息包括梯级链风险预警信息；
当扶梯梯级链张紧轮的水平位置超出预先设定的预警位置时，所述梯级链监测子系统向所述站级预警显示终端发送所述梯级链对应的扶梯代码、以及所述梯级链风险预警信息。
5.根据权利要求2所述的一种基于云平台的自动扶梯在线监测预警系统，其特征在于，所述主驱动链监测子系统包括：摆杆、角位移传感器、与所述角位移传感器电连接的伸长量计算模块；
扶梯主驱动链包括分布在扶梯主轴驱动轮两侧的链条，其中一侧为松边链条；
所述摆杆的一端安装在扶梯桁架上，所述摆杆的另一端的端部设置有小齿轮，所述小齿轮与所述松边链条相啮合，所述摆杆随所述松边链条的松垂而摆动；
所述角位移传感器设置在所述扶梯桁架上，用于检测所述摆杆摆动的角度θ；
所述零部件风险预警信息包括主驱动链风险预警信息；
所述伸长量计算模块根据所述摆杆摆动的角度的大小计算所述松边链条的长度L(t)；
当所述L(t)的长度超出预先设定的主驱动链链长预警值时，所述主驱动链监测子系统向所述站级预警显示终端发送所述主驱动链对应的扶梯代码、以及主驱动链风险预警信息。
6.根据权利要求2所述的一种基于云平台的自动扶梯在线监测预警系统，其特征在于，所述制动系统监测子系统包括：电感式传感器、与所述电感式传感器电连接的制停距离计算模块；所述零部件风险预警信息包括制动系统风险预警信息；
所述电感式传感器设置在扶梯主轴驱动轮的前方，用于检测扶梯主轴驱动轮从扶梯发出制停指令后直至扶梯停止时，扶梯主轴驱动轮转过的齿的个数N；
所述制停距离计算模块根据扶梯主轴驱动轮转动的齿的位移的个数N计算扶梯制停距离L′，所述L′的计算公式为：其中，所述Z为扶梯主轴驱动轮的齿的个数，d为扶梯梯级链驱动轮的直径；
当所述L′大于预先设定的制停距离安全阈值时，所述制动系统监测子系统向所述站级预警显示终端发送所述制动系统对应的扶梯代码、以及所述制动系统风险预警信息。
7.一种基于云平台的自动扶梯在线监测预警方法，其特征在于，包括如下步骤：
获取车站内所有扶梯的关键零部件的运行状态信息和每台扶梯对应的扶梯代码信息；
分析获取所述运行状态信息是否存在异常；
所述运行状态信息存在异常时，生成零部件风险预警信息，并将所述零部件风险预警信息及其对应的扶梯代码传输至车站内的预警显示终端，所述预警显示终端对存在异常的零部件进行风险预警或报警；
将某区域内的车站的所述零部件风险预警信息及其对应的扶梯代码传输至该区域的线网云平台；
采用聚类分析方法对所述线网云平台中的所有扶梯进行分类，并分析获取同类型自动扶梯的所述零部件风险预警信息的分布特性；
所述扶梯的关键零部件包括扶梯桁架，扶梯桁架变形敏感区域的表面锌层形成有散斑；所述运行状态信息包括散斑的变形云图，所述零部件风险预警信息包括桁架预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：
获取扶梯桁架变形前后所述散斑的数字图像；
利用数字图像相关技术，计算扶梯桁架变形后相对与变形前所述散斑的数字图像的位移量，获得所述散斑的变形云图；
分析获取的运行状态信息是否存在异常，包括：
在所述散斑的变形云图的某一区域的各点位移的平均值大于预先设定的桁架安全阈值时，判定桁架存在异常；
所述扶梯桁架变形敏感区域包括桁架与结构板的搭接位置，所述变形云图还包括所述桁架与结构板的搭接位置的第二变形云图；
所述基于云平台的自动扶梯在线监测预警方法，还包括如下步骤：
在所述第二变形云图中构建直角坐标系x-y，提取各像素点在y向位移分量的均值D(t)；
将D(t)代入预先标定D-F关系曲线中，得出当前扶梯载荷状态F(t)；
所述D-F关系曲线，为扶梯静载时，所述第二变形云图的各像素点在y向位移分量的均值特征参数D随扶梯桁架上的砝码的重量变化的而变化的关系曲线。
8.根据权利要求7所述的基于云平台的自动扶梯在线监测预警方法，其特征在于，所述扶梯的关键零部包括件扶梯的旋转部件，所述运行状态信息包括旋转部件的振动信号，所述零部件风险预警信息包括旋转部件预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括周期采集一组扶梯旋转部件的振动信号；
所述分析获取的运行状态信息是否存在异常，包括如下步骤：
获取该组振动信号的时域特征向量其中，所述μxn、σxn、 分别为该组振动信号的均值、方差、偏斜度、峭度；
计算时域特征向量R(n)与扶梯主机轴承无故障运行的时域特征向量R(0)之间的空间角；
在所述空间角小于或等于预先设定的角度阈值时，判定扶梯旋转部件无异常，继续采集下一组扶梯旋转部件的振动信号；
在所述空间角大于预先设定的角度阈值时，判定扶梯旋转部件存在明显异常。
9.根据权利要求8所述的基于云平台的自动扶梯在线监测预警方法，其特征在于，在判定振动状态存在明显异常之后，还包括如下步骤：
对扶梯旋转部件的振动信号进行滤波处理；
对滤波后的振动信号进行自相关运算得到相关函数；
将相关函数采用Hilbert变换进行包络解调；
将解调后的信号进行快速傅里叶变换获得振动信号的包络谱；
提取包络谱中除正常振动频率外幅值最大的频率及其倍频，对照预先求解的旋转部件的故障特征频率，判断扶梯旋转部件故障的类型。
10.根据权利要求7所述的基于云平台的自动扶梯在线监测预警方法，其特征在于，所述扶梯的关键零部件包括扶梯梯级链，所述运行状态信息包括梯级链张紧轮的水平位置，所述零部件风险预警信息包括梯级链预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括：安装在扶梯梯级链张紧轮末端的位移传感器获取梯级链张紧轮的水平位置；
分析获取的运行状态信息是否存在异常，包括：在梯级链张紧轮的水平位置超出预先设定的梯级链预警位置时，判定扶梯梯级链存在异常。
11.根据权利要求7所述的基于云平台的自动扶梯在线监测预警方法，其特征在于，扶梯主驱动链包括分布在扶梯主轴驱动轮两侧的链条，其中一侧链条为松边链条；扶梯桁架上设置有摆杆，所述摆杆与所述松边链条的连接端设置有小齿轮，所述小齿轮与所述松边链条咬合连接；所述扶梯的关键零部件包括扶梯主驱动链，所述运行状态信息包括所述松边链条的长度，所述零部件风险预警信息包括扶梯主驱动链警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：
测量所述摆杆摆动的角度θ；
计算所述松边链条的弯曲弧的曲率半径R(θ)；
计算所述松边链条的长度L(t)，所述L(t)的计算公式为：其中，L(0)为所述松边链条的初始长度；
分析获取的运行状态信息是否存在异常，包括如下步骤：
在L(t)的长度超出预先设定的松边链条安全值时，或L(t)在某一时刻或某个时间段内的伸长率超出预先设定的松边链条第二安全值时，判定扶梯主驱动链存在异常。
12.根据权利要求7所述的基于云平台的自动扶梯在线监测预警方法，其特征在于，所述扶梯的关键零部件包括扶梯制动系统，所述运行状态信息包括扶梯制动距离，所述零部件风险预警信息包括制动系统预警信息；
所述获取车站内所有扶梯的关键零部件的运行状态信息，包括如下步骤：
计算扶梯发出制停指令后至扶梯停止时，扶梯主轴驱动轮转动一个齿的位移的个数N；
计算扶梯制停距离L′，所述L′的计算公式为：其中，所述Z为扶梯主轴驱动轮的齿数，d为扶梯梯级链驱动轮的直径；
分析获取的运行状态信息是否存在异常，包括：
在所述L′大于预先设定的制动距离安全阈值时，判定扶梯制动系统存在异常。
13.根据权利要求12所述的基于云平台的自动扶梯在线监测预警方法，其特征在于，还包括如下步骤：
记录扶梯主轴驱动轮每转动一个齿的位移时的时间点t；
计算时刻tn扶梯梯级链的瞬时速度v(tn)，所述v(tn)的计算公式为：
分析获取的运行状态信息是否存在异常，包括：
在v(tn)出现异常时，判定扶梯制动系统存在异常。
14.根据权利要求7所述的基于云平台的自动扶梯在线监测预警方法，其特征在于：所述采用聚类分析方法对所述线网云平台中所有扶梯进行分类，包括：以扶梯的提升高度与载客强度因子为主特征参数对所述线网云平台中所有扶梯进行分类；
所述分析获取同类型自动扶梯的异常信息的分布特性，包括：将同类扶梯的服役时间作为横坐标，每年每台扶梯各类预警信息发生次数作为纵坐标，绘制该类型扶梯的“服役时间-平均每年预警次数”预警分布图。
15.根据权利要求14所述的基于云平台的自动扶梯在线监测预警方法，其特征在于：所述基于云平台的自动扶梯在线监测预警方法还包括：
根据所述“服役时间-平均每年预警次数”预警分布图的分布规律及趋势，对扶梯关键零部件的风险进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811641070.XA CN110002329B (zh) | 2018-12-29 | 2018-12-29 | 一种基于云平台的自动扶梯在线监测预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811641070.XA CN110002329B (zh) | 2018-12-29 | 2018-12-29 | 一种基于云平台的自动扶梯在线监测预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110002329A CN110002329A (zh) | 2019-07-12 |
| CN110002329B true CN110002329B (zh) | 2019-11-29 |
Family
ID=67165261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811641070.XA Active CN110002329B (zh) | 2018-12-29 | 2018-12-29 | 一种基于云平台的自动扶梯在线监测预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110002329B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110395650A (zh) * | 2019-08-13 | 2019-11-01 | 迅达（中国）电梯有限公司 | 扶梯驱动链伸长量监控装置 |
| CN110937489B (zh) * | 2019-11-15 | 2021-07-13 | 广东寰球智能科技有限公司 | 自动扶梯的在线故障监控预警方法及系统 |
| US11292697B2 (en) * | 2019-11-15 | 2022-04-05 | Otis Elevator Company | Frequency analytics of components using internet of things sensor and sensor location on escalators |
| CN111573488A (zh) * | 2020-05-08 | 2020-08-25 | 广东省特种设备检测研究院佛山检测院 | 一种电扶梯异常的检测方法、装置、设备及可读存储介质 |
| CN112623918B (zh) * | 2020-12-09 | 2023-06-02 | 中铁第四勘察设计院集团有限公司 | 一种基于ipfs的自动扶梯智能决策方法及系统 |
| CN112429622B (zh) * | 2020-12-09 | 2023-08-01 | 中铁第四勘察设计院集团有限公司 | 一种基于区块链和ipfs的自动扶梯监测网络系统 |
| CN112623919B (zh) * | 2020-12-18 | 2022-02-25 | 安徽理工大学 | 一种基于计算机视觉的自动扶梯智能监控管理系统 |
| CN113125150B (zh) * | 2021-04-20 | 2021-11-30 | 武汉信达天成物联网技术有限公司 | 一种在线监测驱动链条健康状态的方法及系统 |
| JP7136287B1 (ja) * | 2021-07-20 | 2022-09-13 | 三菱電機ビルソリューションズ株式会社 | エスカレーターのチェーンの振れ幅確認装置及び振れ幅確認方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3496392B2 (ja) * | 1996-04-08 | 2004-02-09 | 株式会社日立製作所 | 乗客コンベアの運転監視装置 |
| CN102923538A (zh) * | 2012-07-06 | 2013-02-13 | 天津大学 | 基于物联网的电梯健康管理与维护系统及采集和评估方法 |
| CN103318739B (zh) * | 2013-07-03 | 2014-11-19 | 北京北安时代电梯安装工程有限公司 | 自动扶梯和自动人行道人流量统计分析预警监测管理系统 |
| CN104217564A (zh) * | 2014-08-05 | 2014-12-17 | 佛山市联科发信息科技有限公司 | 一种基于云服务平台的自动扶梯的远程实时检测终端 |
| CN105787584B (zh) * | 2016-01-28 | 2020-03-10 | 华北电力大学（保定） | 一种基于云平台的风电机群故障预警方法 |
-
2018
- 2018-12-29 CN CN201811641070.XA patent/CN110002329B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110002329A (zh) | 2019-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110002329B (zh) | 一种基于云平台的自动扶梯在线监测预警系统及方法 | |
| CN106586796B (zh) | 一种自动扶梯状态监测系统及方法 | |
| CN105293238B (zh) | 一种电梯健康状况检测方法 | |
| EP3212557B1 (en) | Structural health monitoring of an escalator drive system | |
| CN110817629B (zh) | 一种电梯诊断系统 | |
| EP3858779B1 (en) | Sensor fusion on internet of things on escalators | |
| CN113514110A (zh) | 一种道路桥梁工程智能测量系统 | |
| CN104512773A (zh) | 电梯远程监控系统 | |
| CN112811292B (zh) | 通过学习算法来获得自动扶梯数据 | |
| CN106946113A (zh) | 一种无载电梯制动器摩擦力矩测试方法 | |
| CN110411686A (zh) | 桥梁静动影像全息性态健康监测诊断方法及系统 | |
| CN111606177B (zh) | 乘客输送装置及其故障检测监控方法和装置 | |
| US10460431B2 (en) | Part recognition and damage characterization using deep learning | |
| CN104848924A (zh) | 桥梁载重监测方法、装置及系统 | |
| EP3647248A1 (en) | Elevator car leveling sensor | |
| CN112811290A (zh) | 至物联网的自动扶梯控制数据 | |
| CN111675062A (zh) | 基于多轴传感器技术的电梯轿厢故障判定方法及系统 | |
| CN116086677B (zh) | 一种多钢丝绳张力平衡监测方法、系统及电子设备 | |
| CN112811294B (zh) | 基于组合的仪表盘天气、自动扶梯状况的维护数据 | |
| CN115849129A (zh) | 一种电梯鼓式制动器监测装置 | |
| CN212893314U (zh) | 基于多轴传感器技术的电梯轿厢故障判定系统 | |
| CN112811289A (zh) | 选择性无线自动扶梯数据采集 | |
| CN111723252A (zh) | 一种基于风场监测的涡振应急救援系统 | |
| CN109484938A (zh) | 一种分布式电梯监测平台 | |
| CN208234324U (zh) | 一种基于多传感器的安全性能检测仪 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Dijun Inventor after: Lu Changyi Inventor after: Tian Lun Inventor after: Wang Fei Inventor after: Lv Changle Inventor after: Li Hua Inventor after: Lu Xiaoli Inventor after: Liang Haijian Inventor after: Rao Meiwan Inventor after: Nong Xingzhong Inventor after: Shi Haiou Inventor after: Lin Bin Inventor after: He Dongshan Inventor after: Liu Xinmei Inventor after: He Zhixin Inventor after: Lin Shan Inventor before: Rao Meiwan Inventor before: Wang Fei Inventor before: Lv Changle Inventor before: Li Hua Inventor before: Liang Haijian Inventor before: Shi Haiou Inventor before: Lin Bin Inventor before: He Dongshan Inventor before: Liu Xinmei Inventor before: He Zhixin Inventor before: Lin Shan Inventor before: Lu Changyi Inventor before: Tian Lun |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190712 Assignee: Guangzhou Prelite Technology Co.,Ltd. Assignor: GUANGZHOU METRO DESIGN & RESEARCH INSTITUTE Co.,Ltd. Contract record no.: X2023980045506 Denomination of invention: A Cloud Platform Based Online Monitoring and Warning System and Method for Escalators Granted publication date: 20191129 License type: Common License Record date: 20231102 Application publication date: 20190712 Assignee: Guangdong Dahua Chuangzhan Transmission Technology Co.,Ltd. Assignor: GUANGZHOU METRO DESIGN & RESEARCH INSTITUTE Co.,Ltd. Contract record no.: X2023980045502 Denomination of invention: A Cloud Platform Based Online Monitoring and Warning System and Method for Escalators Granted publication date: 20191129 License type: Common License Record date: 20231102 |